CN104537438B - 一种用电高峰的预测及监控方法 - Google Patents
一种用电高峰的预测及监控方法 Download PDFInfo
- Publication number
- CN104537438B CN104537438B CN201410832008.4A CN201410832008A CN104537438B CN 104537438 B CN104537438 B CN 104537438B CN 201410832008 A CN201410832008 A CN 201410832008A CN 104537438 B CN104537438 B CN 104537438B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- peak
- distribution function
- probability distribution
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000005315 distribution function Methods 0.000 claims abstract description 30
- 230000005611 electricity Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005290 field theory Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用电高峰的监控方法，该方法包括：根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别；在待预测时间段内采集所有待测用电设备的指定类别的用电量数据；建立条件随机场模型，并将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数；根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰；当预测到将出现用电高峰时，向用户发送报警信息量。通过使用上述的方法，可以对对电网的用电量进行较好的监控，以便于在用电高峰出现前及时调节电器功率以缓解电网负荷。
Description
技术领域
本发明涉及电网负荷调控技术领域，特别是指一种用电高峰的预测及监控方法。
背景技术
随着生活水平的不断提高，居民用电占电网总负荷的比例正在不断增加。由于居民用电具有时间上集中的特点，因此将导致电网负荷在短时间内剧烈波动，出现用电高峰。传统电力系统应对高峰负荷的措施主要是依靠增加发电装机容量和提升电网设备输配电能力来实现，从而使得发电侧和电网侧设备利用效率低下，严重浪费了资源。
由此可见，电网负荷预测对于电网负荷调节具有重要意义。目前，现有技术中所使用的主流的电网负荷预测方法有：回归分析预测法(包括线性回归和非线性回归类方法)，时间序列预测法，灰色预测法，神经网络预测法等。
但是，现有技术中的电网负荷预测方法(例如，以回归类方法为例)一般都具有计算量庞大，实时性欠佳等缺点，因此难以对居民用户的电网负荷进行较好的预测。
发明内容
有鉴于此，本发明的目的在于提出一种用电高峰的预测及监控方法，从而可以对居民用户的电网负荷进行较好的监控，以便于在用电高峰出现前及时调节电器功率以缓解电网负荷。
基于上述目的本发明提供了一种用电高峰的监控方法，该方法包括：
根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别；
在待预测时间段内采集所有待测用电设备的指定类别的用电量数据；
建立条件随机场模型，并将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数；
根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰；
当预测到将出现用电高峰时，向用户发送报警信息。
较佳的，所述将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数包括：
对条件随机场模型进行初始化设置；
将所采集的用电量数据作为训练样本输入初始化设置后的条件随机场模型中进行迭代计算，并使用最大似然参数估计算法估算得到所述特征权重参数λ的值，从而得到用电量的条件概率分布函数。
较佳的，使用云计算技术计算得到用电量的条件概率分布函数。
较佳的，所述用电量的条件概率分布函数为：
其中，p(y|x,λ)为用电量的条件概率分布函数，x为当前用电量，y为预期用电量，λ为特征权重参数，Z(x)为归一化因子，f为特征向量。
较佳的，所述对条件随机场模型进行初始化设置包括：
将特征权重参数λ的初始值设置为0。
较佳的，所述预测下一预测时间段是否出现用电高峰包括：
预先设置用电量阈值Pa和用电量高峰的概率阈值Pt；
根据所述用电量的条件概率分布函数计算预期用电量的取值大于Pa的概率；
当预期用电量的取值大于Pa的概率大于或等于用电量高峰的概率阈值Pt时，判断下一预测时间段内将出现用电高峰。
从上面所述可以看出，由于在本发明中的用电高峰的监控方法中，使用了条件随机场理论对数量庞大的家庭用户用电设备建立数学模型，并以此预测居民总用电量的趋势，通过预测用电高峰的发生，对用电高峰进行监控，从而可以提前采取措施合理调节电量使用，以达到削减高峰、平衡电力供需关系的目的，从而可以利用智能家居的自动控制技术在预期的用电高峰出现前及时调节电器功率以达到缓解电网负荷的目的，因此比现有技术中的其他预测和调控方法具有更高的准确性和实时性，并结合智能家居技术，能够在不影响现有电网运营的情况下快速有效的调节电网负荷。
附图说明
图1为本发明实施例中的用电高峰的监控方法的流程示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本实施例提供了一种用电高峰的监控方法。
图1为本发明实施例中的用电高峰的监控方法的流程示意图。如图1所示，本发明实施例中的用电高峰的监控方法主要包括：
步骤11，根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别。
在本发明的技术方案中，需要考虑到天气因素，例如温度对用电量的影响，每一类特定天气条件下的用电量数据都有相应的规律。因此，可以预先设置一个温度阈值，然后根据预设的温度阈值对用电量数据进行分类。例如，在本发明的较佳实施例中，可以分为寒冷天气、凉爽天气、温暖天气和炎热天气四种条件下的用电量数据。
在对用电量数据进行分类之后，即可根据待预测时间段内的温度数值来确定在待预测时间段内的用电量数据的类别。
步骤12，在待预测时间段内采集所有待测用电设备的指定类别的用电量数据。
较佳的，在本发明的具体实施例中，可以通过智能家居系统并结合物联网技术采集系统中所有待测用电设备在待预测时间段内的指定类别的用电量数据，并将采集到的用电量数据汇总到服务器的数据库中，以便于在后续步骤13中将所采集的用电量数据作为训练样本。
步骤13，建立条件随机场模型，并将所采集的用电量数据作为训练样本得到用电量的条件概率分布函数。
条件随机场(Conditional Random Fields，CRF)理论实质上是一种统计学习的方法。统计学习通过分析大量数据以构建概率统计模型，提取数据的特征并对数据的趋势做出预测。
条件随机场模型是一种用来标记和切分序列化数据的统计模型。这些数据被预设为具有马尔可夫属性。该模型在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率。标记序列的分布条件属性，可以让条件随机场很好的拟合现实数据，而在这些数据中，标记序列的条件概率依赖于观察序列中非独立的、相互作用的特征，并通过赋予特征以不同权值来表示特征的重要程度。
条件随机场模型是针对具有马尔可夫性质的一组随机变量建立的模型。马尔可夫性质意味着基于无向图拓补联合的随机变量只与相邻的变量有关，而与不相邻的变量独立。
在本发明的技术方案中，将每个被测用电设备的用电量作为条件随机场模型的变量，从而可以建立条件随机场模型，并根据所建立的建立条件随机场模型、条件随机场理论及估计方法预测用电趋势。
较佳的，在本发明的具体实施例中，所述用电量的条件概率分布函数可以表示为：
其中，p(y|x,λ)为用电量的条件概率分布函数，x为当前用电量，y为预期用电量，λ为特征权重参数，Z(x)为归一化因子，f为特征向量。
根据上式可知，当初步建立条件随机场模型时，上述条件随机场模型中的用电量的条件概率分布函数中的特征权重参数λ为未知的参数(即取值未知的参数)。因此，在本发明的技术方案中，可以将所采集的用电量数据作为训练样本估计得到上述特征权重参数λ的值，从而得到用电量的条件概率分布函数。
例如，较佳的，在本发明的较佳实施例中，所述将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数可以通过如下所述的步骤实现：
步骤131，对条件随机场模型进行初始化设置。
例如，较佳的，在本发明的具体实施例中，所述对条件随机场模型进行初始化设置包括：将特征权重参数λ的初始值设置为0。
当然，在本发明的技术方案中，也可以根据实际应用的需要将特征权重参数λ的初始值设置为其它的取值。
步骤132，将所采集的用电量数据作为训练样本输入初始化设置后的条件随机场模型中进行迭代计算，并使用最大似然参数估计算法估算得到所述特征权重参数λ的值，从而得到用电量的条件概率分布函数。
在本发明的技术方案中，由于所采集的用电量数据较大，计算复杂，一般的计算机已经难以满足上述的计算需求，因此，较佳的，在本发明的具体实施例中，可以使用云计算技术计算得到用电量的条件概率分布函数。
步骤14，根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰。
由于在步骤13中得到了用电量的条件概率分布函数，因此在本步骤中即可根据该用电量的条件概率分布函数和当前用电量，对下一预测时间段的预期用电量进行预测，并且还可以预测下一预测时间段内是否会出现用电高峰。
例如，较佳的，在本发明的具体实施例中，所述预测下一预测时间段是否出现用电高峰包括：
步骤141，预先设置用电量阈值Pa和用电量高峰的概率阈值Pt。
步骤142，根据所述用电量的条件概率分布函数计算预期用电量的取值大于Pa的概率。
步骤143，当预期用电量的取值大于Pa的概率大于或等于用电量高峰的概率阈值Pt(即p(y|x>Pa)≥Pt)时，判断下一预测时间段内将出现用电高峰。
步骤15，当预测到将出现用电高峰时，向用户发送报警信息，从而使得用户可以根据预设用电策略对用户的用电行为进行干预，减少用电量，以避免出现用电高峰。
例如，在本发明的较佳实施例中，所述对用户的用电行为进行干预可以包括：控制正在运行的大耗能电器(例如，热水器等)降低运行功率，甚至关闭。
通过上述的步骤11～15，即可实现对用电高峰的监控。
综上可知，由于在本发明中的用电高峰的监控方法中，使用了条件随机场理论对数量庞大的家庭用户用电设备建立数学模型，并以此预测居民总用电量的趋势，通过预测用电高峰的时间段，提前采取措施合理调节用电量，以达到削减高峰、平衡电力供需关系的目的，从而可以利用智能家居的自动控制技术在预期的用电高峰出现前及时调节电器功率以达到缓解电网负荷的目的，因此比现有技术中的其他预测和调控方法具有更高的准确性和实时性，并结合智能家居技术，能够在不影响现有电网运营的情况下快速有效的调节电网负荷。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种用电高峰的监控方法，其特征在于，该方法包括
根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别；
在待预测时间段内采集所有待测用电设备的指定类别的用电量数据；
建立条件随机场模型，并将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数；
根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰；
当预测到将出现用电高峰时，向用户发送报警信息。
2.根据权利要求1所述的方法，其特征在于，所述将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数包括：
对条件随机场模型进行初始化设置；
将所采集的用电量数据作为训练样本输入初始化设置后的条件随机场模型中进行迭代计算，并使用最大似然参数估计算法估算得到特征权重参数λ的值，从而得到用电量的条件概率分布函数。
3.根据权利要求2所述的方法，其特征在于：
使用云计算技术计算得到用电量的条件概率分布函数。
4.根据权利要求2所述的方法，其特征在于，所述用电量的条件概率分布函数为：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>|</mo>
<mi>x</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，p(y|x,λ)为用电量的条件概率分布函数，x为当前用电量，y为预期用电量，λ为特征权重参数，Z(x)为归一化因子，f为特征向量。
5.根据权利要求4所述的方法，其特征在于，所述对条件随机场模型进行初始化设置包括：
将特征权重参数λ的初始值设置为0。
6.根据权利要求1所述的方法，其特征在于，所述预测下一预测时间段是否出现用电高峰包括：
预先设置用电量阈值Pa和用电量高峰的概率阈值Pt；
根据所述用电量的条件概率分布函数计算预期用电量的取值大于Pa的概率；
当预期用电量的取值大于Pa的概率大于或等于用电量高峰的概率阈值Pt时，判断下一预测时间段内将出现用电高峰。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410832008.4A CN104537438B (zh) | 2014-12-26 | 2014-12-26 | 一种用电高峰的预测及监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410832008.4A CN104537438B (zh) | 2014-12-26 | 2014-12-26 | 一种用电高峰的预测及监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104537438A CN104537438A (zh) | 2015-04-22 |
| CN104537438B true CN104537438B (zh) | 2018-03-02 |
Family
ID=52852957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410832008.4A Active CN104537438B (zh) | 2014-12-26 | 2014-12-26 | 一种用电高峰的预测及监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104537438B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820874A (zh) * | 2015-05-18 | 2015-08-05 | 国家电网公司 | 电力调度中心的监控方法 |
| CN105404934B (zh) * | 2015-11-11 | 2021-11-23 | 北京航空航天大学 | 一种基于条件随机场的城市人口移动数据模型分析方法 |
| CN106196267B (zh) * | 2016-07-22 | 2019-09-10 | 国网北京市电力公司 | 电采暖设备的报警方法，装置和系统 |
| CN106451438B (zh) * | 2016-11-16 | 2018-12-21 | 国网江苏省电力公司经济技术研究院 | 一种考虑智能用电行为的负荷区间预测方法 |
| CN106771429B (zh) * | 2016-12-28 | 2019-07-26 | 湖南大学 | 用电量模式学习方法、装置及智能电表 |
| CN107490985A (zh) * | 2017-05-18 | 2017-12-19 | 宝沃汽车（中国）有限公司 | 车身车间能源管理方法和系统 |
| CN109214637B (zh) * | 2017-07-07 | 2020-12-08 | 中国移动通信集团陕西有限公司 | 一种网元耗电量确定方法、装置、存储介质及计算设备 |
| CN107294093A (zh) * | 2017-07-26 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 基于k线图的电力数据分析方法、装置及智能终端 |
| CN108376300A (zh) * | 2018-03-02 | 2018-08-07 | 江苏电力信息技术有限公司 | 一种基于概率图模型的用户用电行为预测方法 |
| CN109636038A (zh) * | 2018-12-12 | 2019-04-16 | 国网黑龙江省电力有限公司双鸭山供电公司 | 基于区块链的用电高峰监测方法 |
| CN110783925A (zh) * | 2019-12-02 | 2020-02-11 | 安阳师范学院 | 一种两级部署的电网调控模型中心控制系统及方法 |
| CN111652449A (zh) * | 2020-07-17 | 2020-09-11 | 上海积成能源科技有限公司 | 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436630A (zh) * | 2010-07-28 | 2012-05-02 | 株式会社东芝 | 电力需求/供应计划装置以及用于该装置的方法 |
| CN103150688A (zh) * | 2013-03-21 | 2013-06-12 | 广东电网公司佛山供电局 | 配电网停电方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6046938B2 (ja) * | 2012-07-26 | 2016-12-21 | トヨタホーム株式会社 | 電力供給システム |
-
2014
- 2014-12-26 CN CN201410832008.4A patent/CN104537438B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436630A (zh) * | 2010-07-28 | 2012-05-02 | 株式会社东芝 | 电力需求/供应计划装置以及用于该装置的方法 |
| CN103150688A (zh) * | 2013-03-21 | 2013-06-12 | 广东电网公司佛山供电局 | 配电网停电方法 |
Non-Patent Citations (2)
| Title |
|---|
| Modeling Short-term Energy Load with Continusous Conditional Random Fields;Hongyu Guo;《Lecture Notes in Computer Science》;20131231;第338-354页 * |
| 智能小区的商业智能;张素香;《北京邮电大学学报》;20121031;第35卷(第5期);第94-97页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104537438A (zh) | 2015-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104537438B (zh) | 一种用电高峰的预测及监控方法 | |
| Cheng et al. | A hybrid remaining useful life prognostic method for proton exchange membrane fuel cell | |
| CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
| Dinesh et al. | Non-intrusive load monitoring under residential solar power influx | |
| Wang et al. | Wind power forecasting based on time series ARMA model | |
| CN107622162B (zh) | 一种基于Copula函数的水位流量关系曲线推求方法 | |
| CN106529723A (zh) | 基于监控平台实现光伏电站清洗周期估计的方法 | |
| CN108054749B (zh) | 一种非侵入式电力负荷分解方法及装置 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN104573858B (zh) | 一种电网负荷的预测和调控方法 | |
| CN110298552B (zh) | 一种结合历史用电特征的配电网个体功率异常检测方法 | |
| CN105225000B (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
| CN107944617A (zh) | 一种基于逻辑回归的疑似窃电主题影响因素权重优化方法 | |
| Dejamkhooy et al. | Non–intrusive appliance load disaggregation in smart homes using hybrid constrained particle swarm optimization and factorial hidden markov model | |
| Levorato et al. | Fast anomaly detection in smartgrids via sparse approximation theory | |
| CN104732107B (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
| CN116933216B (zh) | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 | |
| CN106655187B (zh) | 一种svg消除离网光伏逆变器谐波能力指数预测方法 | |
| CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
| CN116951780A (zh) | 一种智能中央热水器管理方法和系统 | |
| CN109525453B (zh) | 基于节点依赖关系的网络化cps异常检测方法及系统 | |
| CN116432542A (zh) | 一种基于误差序列修正的开关柜母排温升预警方法及系统 | |
| CN114992772B (zh) | 空调温控负荷集群可调节潜力评估方法、装置及存储介质 | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| Zhang et al. | Short-Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee after: STATE GRID INFORMATION & TELECOMMUNICATION BRANCH Patentee after: STATE GRID CORPORATION OF CHINA Co-patentee after: BEIJING GUODIANTONG NETWORK TECHNOLOGY Co.,Ltd. Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee before: STATE GRID INFORMATION & TELECOMMUNICATION BRANCH Patentee before: State Grid Corporation of China Co-patentee before: BEIJING GUODIANTONG NETWORK TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190717 Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee after: STATE GRID INFORMATION & TELECOMMUNICATION BRANCH Patentee after: STATE GRID CORPORATION OF CHINA Co-patentee after: BEIJING CHINA POWER INFORMATION TECHNOLOGY Co.,Ltd. Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee before: STATE GRID INFORMATION & TELECOMMUNICATION BRANCH Patentee before: State Grid Corporation of China Co-patentee before: BEIJING GUODIANTONG NETWORK TECHNOLOGY Co.,Ltd. |